基于Python Unet的医学影像分割系统源码，含皮肤病的数据及皮肤病分割的模型，用户输入图像，模型可以自动分割去皮肤病的区域

# 手把手教你用Unet做医学图像分割 我们用Unet来做医学图像分割。我们将会以皮肤病的数据作为示范，训练一个皮肤病分割的模型出来，用户输入图像，模型可以自动分割去皮肤病的区域和正常的区域。废话不多说，先上效果，左侧展示是原始图片，右侧是分割结果。  考虑到同学们的论文需要，我这里还做了一些指标图，大家可以放在文章里增加篇幅  ## 算法原理介绍 > 论文地址：https://arxiv.org/pdf/1505.04597.pdf > > 算法解析：[U-Net原理分析与代码解读 - 知乎 (zhihu.com)](https://zhuanlan.zhihu.com/p/150579454) Unet 发表于 2015 年，属于 FCN 的一种变体。Unet 的初衷是为了解决生物医学图像方面的问题，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，比如卫星图像分割，工业瑕疵检测等。 Unet 跟 FCN 都是 Encoder-Decoder 结构，结构简单但很有效。Encoder 负责特征提取，你可以将自己熟悉的各种特征提取网络放在这个位置。由于在医学方面，样本收集较为困难，作者为了解决这个问题，应用了图像增强的方法，在数据集有限的情况下获得了不错的精度。  如上图，Unet 网络结构是对称的，形似英文字母 U 所以被称为 Unet，在一些类别较少的数据集上，一般使用unet来做语义分割，尤其是在一些二分类的任务上，不仅仅模型比较小，而且在精度上也比较高。 更加详细的原理介绍大家可以参考原文以及大佬们在知乎和csdn上的解答，我在这里就不多做赘述了。 ## 配置环境 不熟悉pycharm的anaconda的小伙伴请先看这篇csdn博客，了解pycharm和anaconda的基本操作 [如何在pycharm中配置anaconda的虚拟环境_dejahu的博客-CSDN博客_如何在pycharm中配置anaconda](https://blog.csdn.net/ECHOSON/article/details/117220445) anaconda安装完成之后请切换到国内的源来提高下载速度 ，命令如下： ```bash conda config --remove-key channels conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple ``` 首先创建python3.8的虚拟环境，请在命令行中执行下列操作： ```bash conda create -n unet python==3.8.5 conda activate unet ``` ### pytorch安装（gpu版本和cpu版本的安装） 实际测试情况是unet在CPU和GPU的情况下均可使用，不过在CPU的条件下训练那个速度会令人发指，所以有条件的小伙伴一定要安装GPU版本的Pytorch，没有条件的小伙伴最好是租服务器来使用。 GPU版本安装的具体步骤可以参考这篇文章：[2021年Windows下安装GPU版本的Tensorflow和Pytorch_dejahu的博客-CSDN博客](https://blog.csdn.net/ECHOSON/article/details/118420968) 需要注意以下几点： * 安装之前一定要先更新你的显卡驱动，去官网下载对应型号的驱动安装 * 30系显卡只能使用cuda11的版本 * 一定要创建虚拟环境，这样的话各个深度学习框架之间不发生冲突 我这里创建的是python3.8的环境，安装的Pytorch的版本是1.8.0，命令如下： ```cmd conda install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2 # 注意这条命令指定Pytorch的版本和cuda的版本 conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cpuonly # CPU的小伙伴直接执行这条命令即可 ``` 安装完毕之后，我们来测试一下GPU是否  ### 安装unet程序所需的其他包 程序其他所需要的包我写在了`requirements.txt`文件中，大家只需要在项目目录下打开cmd，然后执行下列命令安装即可，**安装之前请确保你已经激活了虚拟环境** ```bash pip install -r requirements.txt ``` 到这里我们的环境基本已经配置完成了，你已经成功了一大半了，下面只需要按照教程完成剩下的步骤即可。 ## 数据处理 数据处理部分，医学影像这块我们一般使用公开的数据集，如果没有合适的数据集大家也可以选择自己进行标注，分割相对于检测而言标注起来比较麻烦，所以能找到公开的数据集最好使用公开的数据集，这里也放一些我收集和处理好的数据集，大家有需要的可以自取。 以下面的皮肤病数据集为例，其中左侧是原始图片，右侧是标注之后的标签，因为标签有两种像素值，背景为0，皮肤病区域为1，所以我们肉眼上看到的标签图片是全黑，但是实际上这些标签文件中的值是不一样的。  记住这里数据集的位置，后面在训练和测试的时候在代码中替换为自己本地的数据集位置。 **注：下面的内容是关于数据集的标注，如果大家已经找到合适的数据集，请自行跳过这部分的内容** * 1.LabelMe的安装 用户在采集完用于训练、评估和预测的图片之后，需使用数据标注工具[LabelMe](https://github.com/wkentaro/labelme)完成数据标注。LabelMe支持在Windows/macOS/Linux三个系统上使用，且三个系统下的标注格式是一样。 安装的过程非常简单，大家只需要在激活虚拟环境的前提下，执行下列之类即可 ``` pip install labelme ``` 安装完成之后，直接在命令行中输入`labelme`即可启动 * 2.LabelMe的使用 打开终端输入`labelme`会出现LableMe的交互界面，可以先预览`LabelMe`给出的已标注好的图片，再开始标注自定义数据集。  <div align="left"> <p>图1 LableMe交互界面的示意图</p> </div> * 预览已标注图片 终端输入`labelme`会出现LableMe的交互界面，点击`OpenDir`打开`<path/to/labelme>/examples/semantic_segmentation/data_annotated`，其中`<path/to/labelme>`为克隆下来的`labelme`的路径，打开后示意的是语义分割的真值标注。  <div align="left"> <p>图2 已标注图片的示意图</p> </div> * 开始标注 请按照下述步骤标注数据集： ​ (1) 点击`OpenDir`打开待标注图片所在目录，点击`Create Polygons`，沿着目标的边缘画多边形，完成后输入目标的类别。在标注过程中，如果某个点画错了，可以按撤销快捷键可撤销该点。Mac下的撤销快捷键为`command+Z`。  <div align="left"> <p>图3 标注单个目标的示意图</p> </div> ​ (2) 右击选择`Edit Polygons`可以整体移动多边形的位置，也可以移动某个点的位置；右击选择`Edit Label`可以修改每个目标的类别。请根据自己的需要执行这一步骤，若不需要修改，可跳过。  <div align="left"> <p>图4 修改标注的示意图</p> </div> ​ (3) 图片中所有目标的标注都完成后，点击`Save`保存json文件，**请将json文件和图片放在